一种从多步迭代PLS-DA模型中筛选差异变量的新方法：在檀香和沉香分类中的应用

《Results in Chemistry》：A novel method for selecting differential variables from the multi-step iterative PLS-DA model: application of the classification for sandalwood and agilawood

　　

偏最小二乘判别分析（PLS-DA）是一种广泛建立的化学计量学技术，广泛应用于代谢组学和数据融合研究。然而，从多步迭代PLS-DA中筛选差异变量仍然具有挑战性，这限制了其更广泛地应用于数据融合。为了解决这一问题，研究人员提出了一种新方法，通过利用解释方差和旋转矩阵，从多步迭代PLS-DA后的潜变量（LVs）中回溯原始变量。所提出的方法使用两个独立数据集（檀香和沉香）进行验证。使用多步迭代PLS-DA筛选的变量构建的机器学习模型表现出优越的准确性和鲁棒性。结果表明，研究人员的方法可以有效地从多步迭代PLS-DA中识别差异变量。据研究人员所知，这是首次提出并验证专门针对多步迭代PLS-DA的变量筛选策略。所提出的方法预计不仅在代谢组学分析中具有价值，而且在数据融合策略的开发和应用中也有价值。

论文解读文章

**研究背景与问题**
代谢组学是系统研究生物系统中代谢物水平、功能与转化的学科，在多变量统计分析中，偏最小二乘判别分析（PLS-DA）被广泛用于监督分类和差异变量筛选。常规PLS-DA模型通过变量重要性投影（VIP）值筛选差异变量，但仅适用于单步迭代。在数据融合策略中，中层次数据融合（MLDF）和高层次数据融合（HLDF）常采用多步迭代PLS-DA，即先通过PLS-DA将原始变量降维为潜变量（LVs），再将LVs作为输入进行后续迭代。然而，最终分类模型基于LVs而非原始变量，导致无法直接利用VIP值回溯原始变量，限制了差异代谢物的识别和进一步生物学解释。这一问题阻碍了PLS-DA在数据融合中的广泛应用。因此，研究人员提出一种基于解释方差和旋转矩阵的新方法，从多步迭代PLS-DA的LVs中回溯原始变量重要性，以筛选差异变量。

**研究内容与结论**
本研究提出并验证了一种专门针对多步迭代PLS-DA的差异变量筛选策略。该方法通过计算每次迭代中每个LVs的解释方差占比，并利用旋转矩阵将重要性得分从最终LVs反向投影到原始变量空间，最终根据累积重要性排序选择差异变量。研究使用两个独立数据集——檀香数据集（724个样本，包括8种檀香和1种混淆种，来自老挝、缅甸、印度、冈比亚、赞比亚、印度尼西亚等国）和沉香数据集（35个样本，包括天然、人工、未成熟、假沉香，来自中国和马来西亚）——基于¹H NMR（核磁共振氢谱）代谢组学数据验证。机器学习模型（k近邻（kNN）、随机森林（RF）、支持向量机（SVM）、神经网络（NN））基于筛选变量构建，并与基于剩余变量、随机变量及四种现有方法（VIP、RF Gini重要性、SVM特征排序、Lasso稀疏选择）比较。结果表明，新方法筛选的变量使模型在测试集和验证集上均实现高准确率（>0.90）、低平衡误差率（BER），且鲁棒性良好。该研究首次为多步迭代PLS-DA提供变量筛选方案，论文发表在《Results in Chemistry》。

**关键技术方法**
主要方法包括：多步迭代PLS-DA，每次迭代将输入变量转换为潜变量（LVs），逐步减少保留LVs数量（檀香数据集：100→70→40→25；沉香数据集：15→10→5→3）；利用解释方差和旋转矩阵计算原始变量重要性，通过回溯算法从最终LVs反向投影至原始变量空间；采用kNN、RF、SVM、NN分类器验证筛选变量有效性，使用10折交叉验证、置换检验（200次）和Bootstrap重采样（30次）评估模型稳健性；与VIP、RF Gini、SVM特征排序、Lasso方法比较。样本来源：檀香数据集来自广西医科大学第二附属医院前期研究，沉香数据集同样来自前期研究。

**研究结果**
**3.1 方法验证与模型性能**
**3.1.1 重复性与再现性**：重复性（n=6）和再现性（0, 2, 4, 8, 12小时）的R²和相关系数分别>0.99和>0.98，中位相对标准偏差（RSD）分别为4.80%和5.66%，表明方法稳定且样品在室温下12小时稳定。
**3.1.2 模型性能与鲁棒性**：多步迭代PLS-DA模型的置换检验p<0.005，确认统计显著性。基于筛选变量的四个分类器（SVM、RF、kNN、NN）均表现出高准确率、AUC、精确率、召回率和F1分数，同时低分类错误率和BER，Bootstrap重复间的窄置信区间和标准差证实鲁棒性。
**3.1.3 变量筛选方法比较**：与VIP、RF Gini、SVM特征排序、Lasso相比，新方法在Top 10变量时准确率0.95、BER 0.035，优于其他方法；在Top 25、50、100、200时，新方法持续保持最高准确率和最低BER，尤其当保留变量较少时优势明显。
**3.2 檀香分类应用**
**3.2.1 PCA与多步迭代PLS-DA分析**：主成分分析（PCA）中G. sp.组与其他组重叠，表明檀香样品高度相似；一步迭代PLS-DA显示聚类改善；两步迭代PLS-DA可实现有效分离，交叉验证R²>0.95，累积解释方差>0.65，因此两步迭代适用于该数据集。
**3.2.2 筛选差异变量的验证**：基于两步迭代筛选变量构建的四个分类器在测试集和验证集上，所有指标（准确率、AUC、精确率、召回率、F1分数、10折交叉验证均值）>0.80，分类错误率和BER<0.20；而基于剩余变量的模型性能差，需大量变量才能改善。随机变量模型在验证集上性能显著低于筛选变量模型，确认筛选变量具有代表性且无过拟合。筛选变量主要集中于芳香区（δ_H 7.15–7.33 ppm），对应黄酮类代谢物，具化学分类学意义。
**3.3 沉香分类应用**
PCA中天然和人工沉香无法区分；一步迭代PLS-DA可区分假沉香；两步迭代PLS-DA能有效分离各组，交叉验证R²>0.88，累积解释方差>0.63。基于两步迭代筛选变量的四个分类器在测试集上表现优于基于剩余变量的模型，所有指标优异。筛选变量集中于δ_H 3.88–3.92、6.17–6.20、6.82–6.84 ppm，对应色酮母核和2-(2-苯乙基)色酮衍生物的芳香质子。由于沉香数据集样本量小（n=35），模型性能略逊于檀香，结果应视为初步。

**讨论与结论**
讨论部分指出，新方法在檀香和沉香数据集上均有效，但沉香数据集样本量有限，且仅基于¹H NMR数据，需进一步在大样本和多组学数据中验证其普适性。结论翻译如下：本研究提出了一种从多步迭代PLS-DA中筛选变量的新策略，并使用基于¹H NMR的檀香和沉香代谢组学数据集进行验证。基于该方法筛选变量构建的机器学习模型表现出优越性能，证实了该方法的有效性。为进一步评估其性能，研究人员将新方法与四种现有方法（VIP、RF Gini、SVM特征排序、Lasso）进行比较。结果表明，新方法筛选的变量所得模型在准确率上与四种方法相当，但在保留少量变量时持续获得更低的BER和分类错误率。这些发现表明，所提出的方法在差异变量筛选方面有效且简洁。尽管存在局限性（沉香数据集样本量较小、验证仅限于两种植物¹H NMR数据），结论应谨慎解读，但本研究为多步迭代PLS-DA的变量筛选提供了概念验证，有望促进PLS-DA在代谢组学和数据融合中的更广泛应用。